SERSのバイオ量化のための説明可能なディープラーニングフレームワーク

科学分野:

• 顕微鏡と分析化学
• バイオマーカーの発見
• コンピューター生物学と機械学習

背景:

• 表面強化ラーマン光譜 (SERS) は,迅速かつ費用対効果の高いバイオマーカーの定量化のための有望な技術です.
• 既存のSERS分析方法は最先端の機械学習に遅れ,高度なコンピューティングフレームワークを必要とします.
• SERSにおけるモデル説明性の欠如は,バイオマーカーと疾患の関係における混同要因の理解を妨げています.

研究 の 目的:

• スペクトル処理,定量化,説明性を統合したSERS生物定量化のための堅牢な計算フレームワークを提示する.
• SERS混合物分析に合わせた説明可能な方法を開発する.
• 尿中のセロトニンの量化を用いてフレームワークの有用性を実証する.

主な方法:

• 3段階の枠組み:スペクトル処理,定量化,説明性
• スペクトル強化のためのDenoisingオートエンコーダー;定量化のためのConvolutionalニューラルネットワーク (CNNs) とビジョントランスフォーマー.
• SERS分析のための文脈表現解釈可能なモデル説明 (CRIME) 方法の開発.

主要な成果:

• デノイズドスペクトルとCNNを用いた尿中のセロトニン定量化により,平均絶対誤差は0. 15μM,平均百分誤差は4. 67%に達した.
• CRIME 方法は,CNN モデルに特有の6つの予測文脈を特定し,そのうち3つはセロトニンと直接関連しています.
• 提案された枠組みは,SERSの効果的な生物定量化を示し,重要なモデル説明性を提供します.

結論:

• 開発された枠組みは,SERSのバイオ量化精度を大幅に高め,モデル説明性の必要性を解決します.
• CRIMEメソッドは予測コンテキストの洞察を提供し,混乱要因の評価に役立ちます.
• このアプローチは,SERSのスピードとコスト効率を活用することで,新しい,非ターゲットのバイオマーカーの発見を容易にする.